Blum45

每篇 AI 草稿听起来都像同一篇他妈的 LinkedIn 帖子。
GitHub 上有 6 个仓库能解决这个问题，从一条命令即可完成的清理，到基于你自己的文字打造的风格指南。
1. Humanizer by Siqi Chen（6.44 万颗星）
改写 AI 文本，让它读起来像是人写的；如果你粘贴 2-3 段自己的文字，它还能匹配你的风格。

2. Stop Slop by Hardik Pandya（1.86 万颗星）
给 Claude 一份规则文件，删掉其写作中的填充式开场白、商业行话和其他 AI 痕迹。

3. No AI Slop by Peter Yang（1.31 万颗星）
从你的草稿中移除 20 多种 AI 垃圾写作模式，保留你的个人风格，并列出它所做的每一处改动。

4. avoid-ai-writing by Conor Bronsdon（5400 颗星）
找出文本中的 AI 写作模式，然后按你选择的风格重写，从随意到直截了当。

5. sepia by Nanako0129（3600 颗星）
修正故事或文章的构建方式中的 AI 痕迹，比如情节过于工整，或结尾把所有内容都总结一遍。

6. Writing DNA Distiller by larashero3-dotcom（2900 颗星）
读取你自己的 20 多篇文章，将它们转化为一份风格指南，让 AI 在为你写

10 大最佳本地LLM模型
lbh，大家都厌倦了为AI订阅支付高额费用
本地模型是我们的救星
完全数据隐私 + 永不收取订阅费
所以，以下是顶级推荐：
> GLM-5
目前最热门的开源权重模型
精英级代码 + 长上下文，但需要强大的GPU
> MiniMax M2.5
为实际应用而生
快速、稳健的工具使用，总是深思熟虑地给出答案
> Qwen3.5-27B
最佳单GPU模型
快速、诚实、出色的指令遵循
> Qwen3.5-397B-A17B
阿里巴巴旗舰
强大的推理 + 数学能力，表现类似封闭模型
> DeepSeek V3.2
编码猛兽
最先进的基准测试，广泛用于智能体配置
> Llama 4 Scout
超大上下文10M
最适合处理大型代码库和文档
> Kimi-K2.5
1T MoE巨型。精英推理，支持许多“高端”工具
> GPT-OSS 120B
OpenAI开源权重模型
灵活的推理能力，在单个80GB GPU上运行
> GLM-4.7-Flash
最佳24GB智能体模型
能从单一提示中组装复杂项目
> Qwen3-Coder-Next
为开发流程定制
适合多文件编辑 + 智能体编码

如何打造真正高效的AI提示
你请求LLM生成高质量报告
得到的文本充满专家级自信
但实际上却满是胡扯
熟悉吗？
因此，为了避免这种情况，你需要理解
以下基本要点：
> “聪明但不可靠”助手问题
LLM输出的20%取决于模型，80%取决于你如何构建提示
提示工程——只是硬核自然语言计算控制
所以，为了获得高质量的输出，你需要停止与模型闲聊，开始编程它
> AI幻觉——不充分指令的表现
为了确保内容扎根，使用以下技巧：
- 明确你的期望
- 限制输出(设定严格边界)
- 要求它自我验证/检查(自我事实核查)
> 框架——“蓝图”用于AI
前三名：
- RACE (角色、行动、背景、期望)
快速、简单，适合日常使用
- STOKE (情境、任务、目标、知识、示例)
适合深度工作和专业领域
- CRISPE (能力、洞察、陈述、个性、实验)
创造力、假设检验和风格控制
LLMs对这些结构的理解要好得多
因此，输出结果会更接近你真正想要的
不要用无意义的重复提示让AI变得复杂
掌握基础，从LLMs中获得高质量、理想的输出

第一次将完全控制权交给"将取代我们的科技"
输出产品是什么：

良好的质押 -> 生产力代理

许多人认为AI代理只是一个写得好的提示词
但除此之外，选择合适的代理组件也非常重要：
> LLM
> 工具
> 记忆
> 触发器
> 反馈循环
不是单一要素 - 代理只是一个空虚的谈话者

1. LLM：推理引擎
这部分定义目标、行动方针和执行设计。
但LLM本身不能自动访问你的系统、保持稳定的上下文或在现实世界中采取行动
这就是为什么"仅仅使用GPT"与构建代理不同

2. 工具：执行层
它是代理的手，这一层将思想转化为行动
你的代理可以使用工具检查数据、发送消息等
但没有工具，AI代理只是一个文本生成系统

3. 记忆：上下文层
它使你的代理在一段时间内保持一致性
这可能包括用户偏好、文本输出的方案和风格等
但请记住：不要将你的记忆用作记录纸
这个策略只会给你带来性能下降并使你的输出令人困惑

4. 触发器：唤醒决策
一个好的代理不需要始终运行
它应该通过事件发生来唤醒自己
这个策略比轮询系统效果好得多

5. 反馈循环：改进过程
一个高效的代理不仅仅是被动反应 - 它会随着时间推移而改进
例如，它的输出被检查，错误被突出显示并纠正到提示词、工具、记忆或评估中

如何在3分钟内创建OpenClaw技能
技能是高质量AI代理的关键部分
你离不开它们，定制技能通常是必不可少的
安全第一：在生产环境使用前始终在本地测试
1. 创建目录
示例 ( 在终端输入 )：
| mkdir -p ~/.openclaw/workspace/skills/skill_name
这里将存储所有技能所需的数据
2. SKILL·md ( LLM指令 )
关键在于正确表达所需LLM操作的本质
此文件使用YAML前置信息进行元数据定义，使用Markdown编写指令
重要：
> 使其可执行、具体且简洁
> 提及具体工具
- 你可以在前置信息中定义自定义工具 (（可选） )
> 说明操作步骤和反应方式
错误示例：
greet the world
正确示例：
---
name: hello_world
description: 一个简单的技能，用于打招呼。
---
当用户请求问候时，使用echo工具说“来自你的自定义技能的问候！”
3. 刷新OpenClaw
让你的代理“刷新技能”或手动重启网关
OpenClaw将识别新目录和技能

刚刚卖掉MacBook买入另一波低点
耳机和书桌是下一个
你有什么更聪明的方法来应对这个市场吗？